Tải bản đầy đủ (.pdf) (10 trang)

ỨNG DỤNG MÔ HÌNH RBFNN ĐỂ CHẨN ĐOÁN SỰ CỐ TRONG HỆ THỐNG ĐIỀU HÒA KHÔNG KHÍ Ô TÔ

Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (2.06 MB, 10 trang )

<span class='text_page_counter'>(1)</span><div class='page_container' data-page=1>

ỨNG DỤNG MƠ HÌNH RBFNN ĐỂ CHẨN ĐỐN SỰ CỐ



TRONG H

Ệ THỐNG ĐIỀU HỊA KHƠNG KHÍ Ơ TƠ



TRẦN ĐÌNH ANH TUẤN, PHAN QUỐC MINH


Khoa Công nghệ Nhiệt lạnh, Trường Đại học Công nghiệp Thành phố Hồ Chí Minh


Tóm tắt. Một mơ hình chính xác đóng một vai trị thiết yếu để nâng cao độ chính xác của chiến lược phát
hiện và chẩn đốn lỗi điều hịa khơng khí ơ tơ. Do đó, mơ hình RBFNN được áp dụng trong nghiên cứu
này để phản ảnh các tình trạng vận hành của hệ thống điều hịa khơng khí ơ tơ. Trong đó, chiến lược trong
nghiên cứu này bao gồm mơ hình RBFNN, phương pháp EWMA và bộ quy tắc chẩn đoán được kết hợp
phát triển trong nghiên cứu này. Phương pháp phát hiện chẩn đoán (FDD) sự cố trên hệ thống điều hịa
khơng khí ơ tơ được phát triển và đánh giá qua bộ dữ liệu thí nghiệm mơ phỏng. Kết quả nghiên cứu cho
thấy khả năng xấp xỉ của mơ hình RBFNN đạt được độ chính xác cao và phương pháp đề xuất trong
nghiên cứu này rất thiết thực cho việc phát hiện và chẩn đoán lỗi trong các hệ thống điều hịa khơng khí ơ
tơ.


Từ khóa. Mơ hình RBFNN, Phát hiện lỗi và chẩn đốn, điều hịa khơng khí ơ tơ, Trung bình động có
trọng số lũy thừa.


AN APPLICATION OF RBFNN FOR AUTOMOTIVE AIR CONDITIONING


FAULT DETECTION AND DIAGNOSIS STRATEGY



Abstract. An accurate reference model plays an essential role in enhancing the accuracy rate of the
automotive air conditioning fault detection and diagnosis strategy. Thus, RBFNN model is adopted in this
study to capture operating characteristics of the automotive air conditioning system. Therein, a strategy
includes the RBFNN model, EWMA method and a diagnosis rule is combined in this study. The
automotive air conditioning FDD strategy is tested and validated using the simulated experimental data.
Results of this study show that the approximation ability of RBFNN model achieves high accuracy and


this proposed method is robust for fault detection and diagnosis in the automotive air conditioning
systems.


Keywords. RBFNN model, Fault detection and diagnosis (FDD), the automotive air conditioning,
Exponentially weighted moving average (EWMA).


1. TỔNGQUAN


Ngày nay, có thể thấy rằng ơ tơ đã trở thành một trong những phương tiện không thể thiếu của con người
trong sinh hoạt hàng ngày. Nhu cầu về ô tô đã và đang ngày một tăng trong khi đó, ngược lại nhiên liệu


cungcấp cho ơ tơ ngày càng khan hiếm.Do đó, việc tiết kiệm năng lượng đã trở thành một trong những


</div>
<span class='text_page_counter'>(2)</span><div class='page_container' data-page=2>

việc giám sát kiểm soát việc tiêu thụ năng lượng trong hệ thống điều hịa khơng khí của ơ tơ đã trở thành
chủ đề cấp thiết cho ngành công nghiệp ô tơ. Theo các cơng trình nghiên cứu đã được cơng bố [4][5], ước
tính có khoảng 20-30% tiêu thụ năng lượng bị lãng phí bởi các sự cố và các thông số hoạt động không tối
ưu trong hệ thống điều hịa khơng khí gây ra. Sẽ tiết kiệm được khoảng 10-30% năng lượng tiêu thụ nếu
các sự cố hay tình trạng hoạt động của hệ thống điều hịa khơng khí ở trạng thái q tải được thực hiện
phát hiện chẩn đốn sớm[6]. Do đó, để đạt được mục đích này, việc phát triển một phương pháp phát hiện
lỗi (FDD – Fault detection and diagnosis) có khả năng cảnh báo sớm cho người sử dụng là rất cần thiết để
giúp duy trì hệ thống điều hịa khơng khí ln ổn định ở tình trạng hoạt động bình thường, từ đó giúp
nâng cao việc tiết kiệm chi phí vận hành. Gần đây, có rất nhiều các học giả đã thực hiện nghiên cứu phát
triển các phương pháp phát hiện cảnh báo sớm và chẩn đốn các sự cố của hệ thống điều hịa khơng khí.
Nhìn chung, một cách tương đối có thể phân chia thành hai phương hướng nghiên cứu phát hiện và chẩn
đoán lỗi (FDD) tiêu biểu là: phương pháp phát triển FDD dựa trên mơ hình và phương pháp phát triển
FDD khơng có mơ hình. Trong số đó, độ chính xác của phương pháp FDD dựa trên mơ hình có phần vượt
trội hơn so với phương pháp FDD khơng dựa trên mơ hình. Lý do chính ở đây là bởi vì các phương pháp
FDD khơng dựa vào mơ hình, thường sử dụng các cấu trúc đơn giản để thực hiện chức năng giám sát,
phản ánh tình trạng hoạt động của các hệ thống phi tuyến như hệ thống điều hịa khơng khí (AC). Sự
khơng phù hợp này thường dẫn đến kết quả dự báo sẽ cung cấp thơng tin thiếu độ chính xác. Cịn các


phương pháp FDD dựa trên mơ hình là đối tượng của nhiều nghiên cứu trong nhiều năm qua, thường sử
dụng một mơ hình tốn học để phân tích mối quan hệ tác động qua lại giữa các biến đo lường như các
dạng mơ hình hồi quy (Regression model), phương pháp phân tích thành phần chính (Principal
Component Analysis - PCA), phương pháp bình phương tối thiểu hồi quy véc tơ hỗ trợ (Least square
Support Vector Regression-LSSVR), Kriging và mạng nơ ron nhân tạo. Chẳng hạn như, mơ hình hồi quy
kết hợp phương pháp phân tích thống kê t-test đã được nghiên cứu phát triển bởi tác giả Fu và cộng sự [7]
để giám sát, dự đốn tình trạng “sức khỏe” của hệ thống chiller. Phương pháp PCA được phát triển bởi Fu
và cộng sự [8], Guo và cộng sự [9] để phát hiện và chẩn đoán lỗi trong hệ thống VRF(Variable
Refrigerant Flow) là một loại hệ thống điều hịa khơng khí được sử dụng rộng rãi trong các tòa nhà cao
tầng. Tương tự, việc thực hiện phát hiện và chẩn đoán lỗi cũng được đề xuất bởi một loạt các phương
pháp như bình phương tối thiểu hồi quy véc tơ hỗ trợ [10][5][11], phương pháp Kriging [12]. Cùng với
đó, phương pháp mạngnơ-ron nhân tạo (ANN) cũng đã được áp dụng rộng rãi trong các lĩnh vực nghiên
cứu khác nhau trong những năm gần đây [13][14][15]. Kết quả đạt được qua nhiều nghiên cứu liên quan
đến ứng dụng ANN cho thấy rằng, phương pháp mạngnơ-ron nhân tạo có khả năng thực hiện dự báo,
phát hiện chẩn đoán sự cố đạt độ chính xác cao, nếu so với các phương pháp thống kê truyền thống khác.
Do vậy, trong nghiên cứu này, đã tiến hành phát triển một loại mơ hình của trí tuệ nhân tạo đó là mơ hình
mạng nơ-ron xun tâm (RBFNN), là một loại của trí tuệ nhân tạo nhằm nhận dạng đặc tính hoạt động
các đối tượng phi tuyến như hệ thống điều hịa khơng khí trênơ tơ để phát hiện chẩn đốn sự cố, tăng
cường cơng tác tiết kiệm năng lượng.


2. PHƢƠNGPHÁPVÀDỮLIỆUTHỰCNGHIỆM


2.1. Mơ hình tham chiếu RBFNN


</div>
<span class='text_page_counter'>(3)</span><div class='page_container' data-page=3>

Ŷ


Output layer


1



2


3


n
X1


X2


X3


Input layer Hidden layer


In



pu



t v



ec



to



rs



Hình 1. Cấu trúc cơ bản của mạng RBFNN


Đối với lớp đầu vào (input layer), chất lượng của dữ liệu đầu vào ảnh hưởng rất lớn đến tính chính xác


trongq trình huấn luyện, do đó dữ liệu của các vectơ đầu vào thường được thực hiện xử lý trước để loại



bỏ dữ liệu nhiễu trước khi đưa vào huấn luyện mạng RBFNN. Số nơron trong lớp đầu vào sẽ tương ứng
với số đặc trưng của tập dữ liệu. Trong nghiên cứu này, lớp đầu vào là tập hợp bộ dữ liệu gồm có 03
vectơ của ba biến đầu độc lập (được trình bày ở mục sau).


Lớp ẩn (lớp RBF – hidden layer) bao gồm một hay nhiều lớp ẩn. Mỗi nơ ron của lớp ẩn có một hàm cơ sở
xuyên tâm là hàm phi tuyến đối xứng trung tâm dựa trên khoảng cách Euclide biểu thị là ‖ ‖. Hàm cơ sở


đóng vai trị kích hoạt và có thể nhận các loại hàm nội suy khác nhau như Multiquadric, Inverse
multiquadric, Inverse quadratic, Gaussian. Trong số đó, Gaussian của RBF được sử dụng phổ biến như là
hàm cơ sở xuyên tâm, được hiển thị bên dưới:


( ) ‖ ‖ (1)


Trong đó, µi và i được ký hiệu là tâm và độ rộng trải của nút thứ i.


Lớp đầu ra của m đầu ra là một vectơ y = [y1, y2,…,ym] có được nhờ sự kết hợp tuyến tính của các nút
ẩn hay cịn được gọi là “khớp nơ-ron”. Mỗi “khớp nơ-ron” sẽ được gán một trọng số (weight). Do đó, đầu
ra của RBFNN có thể được trình bày theo cơng thức sau:


( ) ( ) <sub>(2) </sub>


trong đó i là trọng số của từng khớp nơ-ron để mơ hình hóa mối liên hệ giữa lớp đầu vào và đầu ra được
xác định theo phương pháp bình phương nhỏ nhất trong quá trình huấn luyện.


2.2. Lựa chọn lỗi và lỗi thử nghiệm mô phỏng



</div>
<span class='text_page_counter'>(4)</span><div class='page_container' data-page=4>

việc rị rỉ mơi chất lạnh, xuất hiện khí khơng ngưng tụ trong hệ thống, tắc nghẽn thiết bị bay hơi, tắc
nghẽn thiết bị ngưng tụ thường diễn ra một cách âm thầm rất khó phát hiện và thơng thường chỉ có thể
phát hiện khi dạng lỗi này đang ở mức độ thực sự quá nghiêm trọng. Điều này cũng có nghĩa là hệ thống


AC đang phải đối mặt tình trạng hoạt động khác mức bình thường, kém hiệu quả gây nên tình trạng lãng
phí năng lượng cung cấp cho hệ thống. Do đó nghiên cứu này đã tiến hành nghiên cứu phát triển một
phương pháp phát hiện loại lỗi “dần dần”. Trong số các loại lỗi này, chỉ có loại lỗi rị rỉ mơi chất lạnh và
tắc nghẽn thiết bị ngưng tụ của hệ thống điều hịa khơng khí trên ơ tơ được chọn là đối tượng khảo sát
nghiên cứu trong bài báo này với lý do tần suất xuất hiện khá thường xuyên trong điều kiện Việt Nam.
2.3. Dữ liệu và phƣơng pháp thí nghiệm



Để có dữ liệu cung cấp cho phương pháp nghiên cứu phát hiện chẩn đoán lỗi đề xuất dựa trên RBFNN,
trong nghiên cứu này đã tiến hành thực hiện xây dựng hệ thống mô phỏng với quy mơ ở mức độ phịng
thí nghiệm. Hệ thống mơ phỏng thí nghiệm là một hệ thống điều hịa khơng khí ơ tơ bao gồm các thiết bị
chính như máy nén lạnh ơ tơ truyền động qua dây đai, thiết bị ngưng tụ làm mát bằng khơng khí, thiết bị
bay hơi trao đổi nhiệt kiểu khơng khí, van tiết lưu nhiệt đã được lắp đặt để mô phỏng và thu thập dữ liệu
các lỗi cho việc phát triển và đánh giá phát hiện và chẩn đoán lỗi theo phương pháp được đề xuất. Các
dạng lỗi rị rỉ mơi chất lạnh, thiết bị ngưng tụ bị tắc nghẽn do bám bụi bẩn được mô phỏng lỗi với các
điều kiện lỗi được đưa ra trong Bảng 1.


Bảng 1 Phương pháp mô phỏng lỗi


Loại lỗi Không Mức độ lỗi xảy ra Phƣơng pháp mô phỏng lỗi
lỗi Mức 1 Mức 2 Mức 3 Mức 4


Rị rỉ mơi chất lạnh 0% -5% -10% -20% -30% % giảm lượng môi chất lạnh vào hệ <sub>thống</sub>
Thiết bị ngưng tụ tắc 0% -10% -20% -30% -40% Sử dụng VCD điều tiết lưu lượng <sub>khơng khí </sub>


Dữ liệu khi khơng có lỗi và có lỗi bao gồm cả hệ thống hoạt động ở trạng thái chưa ổn định và trạng thái
ổn định đều được thiết bị PNTECH CONTROLS DDC-C46 thu thập và chuyển tiếp đến máy tính thơng
qua đường truyền dẫn Modbus RTU 485 với khoảng thời gian truy xuất mẫu 3 giây một lần. Để tăng
cường tính chính xác khả năng dự báo của một mơ hình tham chiếu, chất lượng dữ liệu đóng một vai trị
quan trọng trong quá trình huấn luyện mơ hình tham chiếu RBFNN. Do đó, theo ngun lý thống kê,
những dữ liệu thô cần phải được xử lý lọc bởi “bộ xử lý dữ liệu” là một “cửa sổ trượt” (moving window )



</div>
<span class='text_page_counter'>(5)</span><div class='page_container' data-page=5>

Hình 2. Đồ thị phân phối


3. CẤUTRÚCCƠBẢNCỦACHIẾNLƢỢCFDD


PHÁT HIỆN CHẨN ĐOÁN HUẤN LUYỆN RBFNN


Truy xuất dữ liệu từ hệ thống


Bộ xử lý số liệu


Tính hoặc đo tham số đặc tính Giá trị tham số đặc tính từ mơ <sub>hình RBFN</sub>


Vùng giới hạn kiểm sốt lỗi


Kết quả FDD
Bộ quy luật lỗi


Dữ liệu huấn luyện (không lỗi)


Bộ xử lý số liệu


Xác định tham số đặc tính


Xác định vùng giới hạn kiểm soát
lỗi


Vượt ngưỡng?


Đúng


sai


Giá trị dư của
tham số đặc tính


+

<sub></sub>


-X


số
li
ệu
Ph
át
h
iệ
n
sự
c

X


số
li
ệu
Ph
át
tri
ển

m
ơ

nh
C
hẩ
n
đo
án


Mơ hình RBFNN đã được huấn
luyện


Hình 3. Cấu trúc thực hiện chẩn đoán của phương pháp đề xuất


Cấu trúc cơ bản của chiến lược phát hiện chẩn đoán (FDD) đề xuất trong nghiên cứa này được mô tả vắn
tắt trong hình 3. Qua hình 3 có thể dễ nhận thấy rằng có hai thành phần chính trong q trình thực hiện,
tức là q trình huấn luyện mơ hình RBFNN và quá trình kiểm tra đánh giá FDD.


Việc huấn luyện mơ hình tham chiếu bao gồm bốn bước: xử lý dữ liệu, xác định tham số đặc tính (FP),
phát triển mơ hình tham chiếu và xác định ngưỡng lỗi. Việc lựa chọn các tham số đặc tính liên quan đến


</div>
<span class='text_page_counter'>(6)</span><div class='page_container' data-page=6>

có ý nghĩa vật lý và nhạy cảm với các lỗi liên quan để có thể phản ánh chính xác thơng tin trạng thái “sức
khỏe” của hệ thống AC. Do đó, các tham số đặc tính, Tcd (nhiệt độ ngưng tụ) và Tsc (nhiệt độ quá lạnh)
được chọn như một đầu ra của các mơ hình mạng RBFNN vì có khả năng nhạy cảm với sự tắc nghẽn
ngưng tụ và rị rỉ mơi chất lạnh trong nghiên cứu này. Mơ hình mạng RBFNN của hai tham số đặc tính có
dạng Yi(Tcd ; Tsc )= f (Qev, Tce, Tco) về cơ bản có ba biến độc lập, tức là tải lạnh Qev, nhiệt độ khơng khí
vào thiết bị ngưng tụ Tce và nhiệt độ khơng khí ra thiết bị ngưng tụ Tco.


Trong quá trình kiểm tra đánh giá phần mơ hình RBFNN đã huấn luyện, các bước xử lý dữ liệu cũng


được thực hiện tương tự như trong phần huấn luyện mơ hình mạng RBFNN. Trong đó, giá trị phần dư là
chênh lệch giữa các giá trị xuất ra từ mơ hình mạng và giá trị thu thập được (hoặc tính tốn) trong thực
nghiệm, sẽ là đầu vào của mơ hình trung bình động có trọng số lũy thừa (EWMA) để xác định ngưỡng
lỗi. Trong thống kê, EWMA là một công cụ rất hữu ích thường được sử dụng để phát hiện các thay đổi dù
rất nhỏ của một quy trình kiểm soát chất lượng thống kê. Trong một số nghiên cứu trước đây [5] [11],
EWMA vẫn được áp dụng vì những ưu điểm của nó. Việc xác định ngưỡng lỗi bao gồm các giới hạn
kiểm soát trên và dưới của được xác định theo công thức (3&4):


( ) (3)


( ) (4)


trong đó L là chiều rộng của các giới hạn kiểm soát với mức độ tin cậy trong thống kê. Việc lựa chọn giá
trị độ rộng cho các giới hạn kiểm sốt là một khía cạnh quan trọng đối với chiến lược FDD. Vì đây là một
sự thỏa hiệp giữa độ nhạy của chiến lược FDD và khả năng cảnh báo sai. Tăng độ rộng ngưỡng sẽ làm
giảm cảnh báo sai nhưng tác động giảm độ nhạy của phương pháp FDD và ngược lại. Trong nghiên cứu
này, độ rộng của các giới hạn kiểm soát L được đặt là 3 (tức là mức độ tin cậy theo thống kê là 99,73%).
là độ lệch chuẩn của giá trị phần dư. 0 là giá trị trung bình của phần dư. Nếu giá trị của phần dư nằm
trong vùng của biểu đồ giới hạn kiểm soát, nghĩa là hệ thống đang hoạt động hồn tồn bình thường
khơng có lỗi xuất hiện. Trái lại, nếu giá trị của phần dư nằm bên ngoài vùng ngưỡng, nghĩa là lỗi được
phát hiện, và loại lỗi được xác định, thông qua bộ quy luật lỗi trong bảng 2. Bộ quy luật mỗi trong bảng 2
được xây dựng dựa trên sự tác động của các lỗi đối với các tham số đặc tính. Chẳng hạn, đối với lỗi tắc
nghẽn do bẩn ở ngưng tụ thuộc loại lỗi vật lý. Trong đó, tốc độ truyền nhiệt tỷ lệ thuận với diện tích bề
mặt có liên quan của thiết bị ngưng tụ. Khi xảy ra hiện tượng tắc nghẽn ngưng tụ, diện tích bề mặt truyền
nhiệt cho q trình ngưng tụ sẽ giảm. Do đó, khi lỗi này xuất hiện sẽ tác động trực tiếp đến Tcd là làm
tăng lên. Đối với rị rỉ mơi chất lạnh, việc thiếu chất làm lạnh trong hệ thống AC sẽ tạo nên áp suất ngưng
tụ và nhiệt độ ngưng tụ thấp hơn, dẫn đến Tsc nhỏ hơn.


Bảng 2 Bộ quy luật lỗi



Fault types Symptom of feature parameters <sub>T</sub>


cd Tsc


Condenser fouling  -


Refrigerant leakage - 


Trong đó ký hiệu “” or “” để biểu thị khuynh hướng tăng hay giảm của tham số đặc tính khi sự cố xảy
ra. Cịn ký hiệu, “-“, biểu thị tham số đặc tính không bị tác động hoặc bị tác động không rõ ràng bởi sự
cố.


4. PHƢƠNGPHÁPĐÁNHGIÁMƠHÌNH


</div>
<span class='text_page_counter'>(7)</span><div class='page_container' data-page=7>

∑ ( ) ∑ (⁄ ) (5)
∑ | |<sub> (6) </sub>


trong đó yi và là các giá trị được tính/đo và dự đốn của tham số tính năng ith,  là độ lệch chuẩn và n
là số điểm mẫu. Giá trị của hệ số tương quan R2<sub> càng lớn và giá trị MAE càng nhỏ thì chứng tỏ mơ hình </sub>
đã thực hiện với độ chính xác cao.


5. KẾTQUẢTHỰCHIỆNVÀTHẢOLUẬN


5.1 Đánh giá mơ hình tham chiếu


Sau khi thực hiện lọc dữ liệu như đề cập phần trước, tập dữ liệu sử dụng cho q trình huấn luyện mơ
hình RBFNN cịn lại có khoảng 400 điểm dữ liệu được sử dụng để đánh giá độ chính xác của mơ hình
tham chiếu. Dựa trên các cơng thức (5) và (6), giá trị lần lượt của hệ số tương quan R2<sub> và MAE của tham </sub>
số Tcdlà 0.99308 và 0.000054, của tham số Tsc là 0.99964 và 0.000565. Dễ thấy rằng giá trị của hệ số
tương quan R2<sub> của cả hai tham số T</sub>



cd và Tsc đều khá cao, còn giá trị của MAE rất nhỏ khi được thực hiện
bởi RBFNN, điều này có nghĩa là mơ hình RBFNN đã thực hiện rất tốt. Năng lực xấp xỉ của mơ hình
RBFNN được thể hiện ở Hình 4 so sánh giữa giá trị dữ liệu thu thập được từ thí nghiệm và kết quả giá trị
đạt được khi thực hiện dự báo bởi mơ hình RBFNN. Qua đó dễ nhận thấy rằng sự sai lệch giữa giá trị thí
nghiệm thu được và giá trị dự báo của mơ hình RBFNN là rất ít.


Hình 4. Đồ thị so sánh giá trị dự báo của mô hình với giá trị đo thực


5.2 Kết quả thực hiện FDD


Như đã nói ở trên, kết quả phát hiện chẩn đoán đúng khi chúng thỏa mãn quy tắc của bộ chẩn đốn lỗi
được trình bày trong bảng 2. Tức là, đối với trường hợp hệ thống hoạt động với tình trạng khơng có lỗi,
các điểm mẫu phải nằm bên trong vùng giới hạn. Đối với lỗi thiết bị ngưng tụ bị tắc nghẽn, tín hiệu các
điểm mẫu của Tcd phải ngoài vùng và cao hơn đường giới hạn kiểm soát trên. Tương tự, khi hệ thống xảy
ra sự cố lỗi rị rỉ mơi chất, thì tín hiệu của các điểm mẫu của Tsc thấp hơn đường giới hạn kiểm soát dưới.
Các kết quả của việc thực hiện FDD dựa trên mơ hình RBFNN trong các trường hợp hệ thống hoạt động
ở trạng thái không lỗi và xuất hiện lỗi được minh họa trong Hình 5. Trong hình này, các đường màu đỏ là
kết quả của giới hạn kiểm soát trên và dưới được xác định theo công thức (3) và (4) ở mức độ tin cậy
99,73%. Trục x tương ứng với các mẫu dữ liệu thông thường và thứ tự tăng dần mức độ nghiêm trọng lỗi
theo hướng từ trái sang phải. Trục y tương ứng với phần dư của từng tham số đặc tính thu được từ các mơ
hình RBFNN. Phần dư của hai tham số tính năng, tức là Tcd và Tsc, được mơ tả bằng màu xanh đen. Mặc


9.20
9.30
9.40
9.50
9.60
9.70
9.80


9.90
10.00
10.10
10.20


1 51 101 151 201 251 301 351 401


G




tr


ị n


hi


ệt


đ




Tsc


[


0C


]



Mẫu


</div>
<span class='text_page_counter'>(8)</span><div class='page_container' data-page=8>

trên ơ tơ khơng có tính ổn định cao và có sai số của cảm biến nhiệt độ trong quá trình thực hiện thu thập
dữ liệu. Điều này có nghĩa dữ liệu nhiễu ln có và khơng phản ánh đúng tình trạng của hệ thống. Do vậy
trong nghiên cứu thực hiện kết hợp phương pháp trung bình động đơn giản (simple moving average)
nhằm xác định xu hướng của dữ liệu. Màu vàng là đường trung bình động đơn giản trong nghiên cứu này.


Hình 5. Các kết quả thực hiện phát hiện chẩn đoán:


(a) Tín hiệu của Tcd khi thiết bị ngưng tụ của hệ thống bị tắc do bẩn
(b) Tín hiệu của Tsc khi thống bị rị rỉ mơi chất


Từ hình 5, có thể dễ dàng tìm thấy rằng tất cả các phần dư của Tcd và gần như phần dư của Tsc đều nằm
bên trong vùng giới hạn kiểm tra khi hệ thống đang hoạt động ở trạng bình thường. Chỉ có một số dư Tsc


-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8


0 50 100 150 200 250



G




tr


ị d


ƣ


củ


a


Tcd


[


oC


]


Mẫu
(a)


Ngưỡng dưới Ngưỡng trên Giá trị dư Tcd Trung bình động đơn giản


-0.1
-0.08
-0.06


-0.04
-0.02
0
0.02
0.04


0 50 100 150 200 250 300 350 400


G




tr


ị d


ƣ


củ


a


Tsc


[


oC


]



Mẫu
(b)


</div>
<span class='text_page_counter'>(9)</span><div class='page_container' data-page=9>

vượt quá giới hạn kiểm tra. Do đó, tỷ lệ chẩn đốn chính xác là 100% cho Tcd, 98% cho Tsc. Đối với q
trình đánh giá phát hiện chẩn đốn lỗi thiết bị ngưng tụ bị tắc do bẩn cũng như hệ thống bị rị rỉ mơi chất,
rõ ràng tất cả các giá trị phần dư của cả Tcd và Tsc đều nằm ngoài vùng giới hạn kiểm tra. Cụ thể, tất cả
các giá trị phần dư của Tcd đều cao hơn đường giới hạn kiểm soát trên và tất cả các giá trị phần dư của Tsc
đều thấp hơn đường giới hạn kiểm soát dưới. Những kết quả này cho thấy hiệu suất thực hiện phát hiện
chẩn đoán của phương pháp được đề xuất đạt 100% tỷ lệ chẩn đốn chính xác và triệu chứng của chúng
hồn tồn phù hợp với bộ quy tắc chẩn đốn nêu trên. Do đó, có thể phát biểu ràng phương pháp được đề
xuất có đầy đủ khả năng phát hiện và chẩn đoán các lỗi đã được đề xuất của hệ thống điều hịa khơng khí
trên ơ tơ.


6. KẾTLUẬN


Trong bài báo này, phương pháp sử dụng mơ hình RBFNN được phát triển và thực hiện phát hiện chẩn
đoán sự cố (FDD) của hệ thống điều hịa khơng khí trên ơ tơ cách chính xác và hiệu quả. Trong đó, biểu
đồ kiểm sốt theo phương pháp EWMA được sử dụng để thiết lập vùng giới hạn kiểm tra phát hiện lỗi ở
mức 99.73% độ tin cậy theo nguyên lý thống kê. Hai chỉ số đo lường độ chính xác của mơ hình là hệ số
tương quan R2<sub> và sai số tuyệt đối trung bình (MAE) được sử dụng để đánh giá độ chính xác của mơ hình </sub>
tham chiếu. Qua các giá trị của hai chỉ số đo lường này, cho thấy độ chính xác của mơ hình RBFNN rất
cao, chứng tỏ RBFNN có khả năng dự đốn tốt được trong chiến lược FDD. Nghiên cứu đã tiến hành thực
nghiệm thu thập dữ liệu của hai loại lỗi điển hình trên hệ thống điều hịa khơng khí ơ tơ. Kết quả đã thể
hiện được khả năng phát hiện và chẩn đoán hai sự cố tiêu biểu này với độ chính xác cao. Cụ thể, đạt độ
chính xác là 98% đối với chẩn đoán đang hệ thống hoạt động bình thường, 100% độ chính xác cho thiết
bị ngưng tụ tắc do bẩn và thiếu môi chất lạnh.


Tuy nhiên, trong nghiên cứu này còn việc thực hiện thu thập dữ liệu để phát triển giải pháp chẩn đốn sự
cố ở mức độ giới hạn phịng thí nghiệm. Vì vậy đề xuất cần tiếp tục cải thiện trong các nghiên cứu sau



này trên các đối tượng hệ thống hoạt động trong điều kiện thực tiễn tại Việt Nam.


TÀILIỆUTHAMKHẢO


[1] B. Mebarki, B. Draoui, B. Allaou, L. Rahmani, E. Benachour, Impact of the air-conditioning system on the
power consumption of an electric vehicle powered by lithium-ion battery, Model. Simul. Eng. 2013 (2013)


[2] K. Shete, Influence of Automotive Air Conditioning load on Fuel Economy of IC Engine Vehicles, Int. J. Sci.
Eng. Res. 6 (2015) 1367–1372.


[3] A. Subiantoro, K.T. Ooi, U. Stimming, Energy Saving Measures for Automotive Air Conditioning ( AC )
System in the Tropics, 15th Int. Refrig. Air Cond. Conf. (2014) 1–8.


[4] Z. Ma, S. Wang, Building energy research in Hong Kong: A review, Renew. Sustain. Energy Rev. 13 (2009)
1870–1883. doi:


[5] Y. Zhao, S. Wang, F. Xiao, A statistical fault detection and diagnosis method for centrifugal chillers based on
exponentially-weighted moving average control charts and support vector regression, Appl. Therm. Eng. 51 (2013)
560–572.


[6] H. Wang, Y. Chen, C.W.H. Chan, J. Qin, An online fault diagnosis tool of VAV terminals for building
management and control systems, Autom. Constr. 22 (2012) 203–211.


[7] F. Xiao, C. Zheng, S. Wang, A fault detection and diagnosis strategy with enhanced sensitivity for centrifugal
chillers, Appl. Therm. Eng. 31 (2011) 3963–3970. doi:10.1016/J.APPLTHERMALENG.2011.07.047.


</div>
<span class='text_page_counter'>(10)</span><div class='page_container' data-page=10>

[9] Y. Guo, G. Li, H. Chen, Y. Hu, H. Li, J. Liu, M. Hu, W. Hu, Modularized PCA method combined with
expert-based multivariate decoupling for FDD in VRF systems including indoor unit faults, Appl. Therm. Eng. 115 (2017)
744–755.



[10] J. Liang, R. Du, Model-based Fault Detection and Diagnosis of HVAC systems using Support Vector Machine
method, Int. J. Refrig. Int. J. Refrig.30 (2007) 1104–1114.


[11] Y. Chen, D. Anh, T. Tran, L. Ao, N. Thi, C. Huong, An enhanced chiller FDD strategy based on the
combination of the LSSVR-DE model and EWMA control charts, Int. J. Refrig. Int. J. Refrig. (2016).


[12] Y.-M. Chen, C.-L. Jiang, D.A.T. Tran, A fault detection and diagnosis method based on kriging model for
chillers, Hunan Daxue Xuebao/Journal Hunan Univ. Nat. Sci. (2016).


[13] W. Wang, Z. Xu, J. Weizhen Lu, Three improved neural network models for air quality forecasting, Eng.
Comput. 20 (2003) 192–210.


[14] M. Awad, H. Pomares, I. Rojas, O. Salameh, M. Hamdon, Prediction of Time Series Using RBF Neural
Networks : A New Approach of Clustering, The International Arab Journal of Information Technology, 6 (2009)
138–144.


[15] C Lee, C Tsai and Y Chiang, Federal Funds Rate Prediction : A Comparison Between the Robust RBF Neural
Network and Economic Models, Journal of Information Science and Engineering, 25 (2009) 763–778.


[16] J. Cui, S. Wang, A model-based online fault detection and diagnosis strategy for centrifugal chiller systems, Int.
J. Therm. Sci. 44 (2005) 986–999.


</div>

<!--links-->

×